¿Quieres encontrar OVNIs? Ese es un trabajo para el aprendizaje automático
En 2017, la humanidad vio por primera vez un objeto interestelar (ISO), conocido como 1I/”Oumuamua, que zumbaba sobre nuestro planeta en su salida del sistema solar. Abundan las especulaciones sobre lo que podría ser este objeto porque, según los datos limitados recopilados, estaba claro que no se parecía a nada que los astrónomos hubieran visto antes. Una sugerencia controvertida fue que podría haber sido una sonda extraterrestre (o una pieza de una nave espacial abandonada) que pasaba por nuestro sistema.
La fascinación pública con la posibilidad de “visitantes extraterrestres” también se vio reforzada en 2021 con el lanzamiento del Informe OVNI de la ODNI.
Este movimiento hizo que el estudio de los fenómenos aéreos no identificados (UAP) fuera una actividad científica en lugar de un asunto clandestino supervisado por agencias gubernamentales. Con un ojo en los cielos y el otro en los objetos orbitales, los científicos proponen cómo se pueden utilizar los avances recientes en computación, IA e instrumentación para ayudar en la detección de posibles “visitantes”. Esto incluye un estudio reciente realizado por un equipo de la Universidad de Strathclyde que examina cómo las imágenes hiperespectrales combinadas con el aprendizaje automático pueden crear una canalización de datos avanzada.
El equipo fue dirigido por Massimiliano Vasile, profesor de ingeniería mecánica y aeroespacial, y estaba compuesto por investigadores de las escuelas de Ingeniería Mecánica y Aeroespacial e Ingeniería Electrónica y Eléctrica de la Universidad de Strathclyde y el Centro Fraunhofer de Fotónica Aplicada en Glasgow.
Una preimpresión de su artículo, titulada “Identificación y clasificación de objetos espaciales a partir del análisis de material hiperespectral”, está disponible en línea a través del servidor de preimpresión arXiv y está siendo revisada para su publicación en Scientific Reports.
Este estudio es el último de una serie que aborda las aplicaciones de imágenes hiperespectrales para actividades en el espacio. El primer artículo, “Caracterización inteligente de objetos espaciales con imágenes hiperespectrales”, apareció en Acta Astronautica en febrero de 2023 y fue parte del proyecto Hyperspectral Imager for Space Surveillance and Tracking (HyperSST). Este fue uno de los 13 conceptos de mitigación de desechos seleccionados por la Agencia Espacial del Reino Unido (UKSA) para su financiación el año pasado y es el precursor del proyecto de clasificación de desechos espaciales hiperespectrales (HyperClass) de la ESA.
Su último artículo exploró cómo esta misma técnica de imagen podría usarse en el creciente campo de la identificación de UAP. Este proceso consiste en recopilar y procesar datos de todo el espectro electromagnético a partir de píxeles individuales, generalmente para identificar diferentes objetos o materiales capturados en imágenes. Como explicó Vasile a Universe Today por correo electrónico, las imágenes hiperespectrales combinadas con el aprendizaje automático tienen el potencial de reducir la búsqueda de posibles firmas tecnológicas al eliminar los falsos positivos causados por objetos de escombros hechos por humanos (etapas gastadas, satélites inactivos, etc.):
“Si los UAP son objetos espaciales, lo que podemos hacer al analizar los espectros es comprender la composición del material incluso desde un solo píxel. También podemos comprender el movimiento de actitud al analizar la variación temporal de los espectros. Ambas cosas son muy importantes porque podemos identificar objetos por su firma espectral y comprender su movimiento con requisitos ópticos mínimos”.
Vasile y sus colegas proponen la creación de una canalización de procesamiento de datos para procesar imágenes UAP utilizando algoritmos de aprendizaje automático. Como primer paso,22 explicaron cómo se necesita un conjunto de datos de espectros de series temporales de objetos espaciales para la tubería, incluidos los satélites y otros objetos en órbita. Esto incluye objetos de desecho, lo que significa incorporar datos de la Oficina del Programa de Desechos Orbitales (ODPO) de la NASA, la Oficina de Desechos Espaciales de la ESA y otros organismos nacionales e internacionales. Este conjunto de datos debe ser diverso e incluir escenarios orbitales, trayectorias, condiciones de iluminación y datos precisos sobre la geometría, la distribución del material y el movimiento de actitud de todos los objetos en órbita en todo momento.
En resumen, los científicos necesitarían una base de datos sólida de todos los objetos creados por humanos en el espacio para comparar y eliminar los falsos positivos. Dado que gran parte de estos datos no están disponibles, Vasile y su equipo crearon un software de simulación de física numérica para producir datos de entrenamiento para los modelos de aprendizaje automático. El siguiente paso involucró un enfoque doble para asociar un espectro a un conjunto de materiales que lo generan, uno basado en el aprendizaje automático y otro basado en un análisis de regresión matemática más tradicional utilizado para determinar la línea de mejor ajuste para un conjunto de datos (también conocido como método de mínimos cuadrados).
Luego utilizaron un sistema de clasificación basado en el aprendizaje automático para asociar la probabilidad de detectar una combinación de materiales con una clase en particular. Con la tubería completa, dijo Vasile, el siguiente paso fue ejecutar una serie de pruebas, que proporcionaron datos alentadores:
“Realizamos tres pruebas: una en un laboratorio con una maqueta de un satélite hecha con materiales conocidos. Estas pruebas fueron muy positivas. Luego creamos un simulador de alta fidelidad para simular la observación real de objetos en órbita. Las pruebas fueron positivas y aprendimos mucho. Finalmente, usamos un telescopio y observamos varios satélites y la estación espacial. En este caso, algunas pruebas fueron buenas y otras menos buenas porque nuestra base de datos de materiales es actualmente bastante pequeña”.
En su próximo artículo, Vasile y sus colegas presentarán la parte de reconstrucción de actitud de su tubería, que esperan presentar en el próximo Foro y Exposición de Ciencia y Tecnología de AIAA (2024 SciTech) del 8 al 12 de enero en Orlando, Florida.